基于特征工程和多路深度学习的电力负荷预测方法技术

本发明专利技术公开了一种基于特征工程和多路深度学习的电力负荷预测方法，包括步骤：S1.采集电力负荷数据以及气温数据；S2.依据目标特征对电力负荷数据以及气温数据进行处理，生成数据集；S3.对数据集进行切分得到N个数据子集；S4.将N个数据子集分别输入到N个径向基函数网络，进行训练，得到N个训练后的径向基函数网络；S5.采集测试数据；S6.从N个已训练的径向基函数网络中选取K个径向基函数网络，并将测试数据分别输入到K个径向基函数网络，输出K个电力负荷预测结果，将K个电力负荷预测结果的求和平均值作为最终的电力负荷预测结果。本发明专利技术能够减少神经网络中隐含层神经元的数量，学习效率高，泛化能力强，预测效果好。预测效果好。预测效果好。

【技术实现步骤摘要】
基于特征工程和多路深度学习的电力负荷预测方法


[0001]本专利技术涉及电力负荷领域，具体涉及一种基于特征工程和多路深度学习的电力负荷预测方法。

技术介绍

[0002]电力负荷预测是电网调控和规划的核心内容之一，分为短期负荷预测(short
‑
term load forecasting,STLF)、中期负荷预测(medium
‑
term load forecasting,MTLF)和长期负荷预测(long
‑
term load forecasting,LTLF)，各自的预测范围从几小时到几天、从几周到几个月以及从一年到几年。尽管MTLF和LTLF对电网建设规划和运维管理非常重要，但STLF在电力营销管理、电网运行调度、发电机组组织和能源期货交易等方面发挥着更重要的作用，是快速响应需求、实现成本效益的有利工具。
[0003]典型的电力负荷预测技术有统计预测法和人工智能(AI)技术两大类。由于能源消耗受天气、季节和社会经济条件影响，表现出典型的非线性特征，统计预测法的精度较低。基于人工智能的预测模型能利用各种机器学习的非线性特性，拟合、分类、识别看不见、理不清的模式，以人工神经网络(ANN)为基础的机器学习模型已在模式识别、信息处理和特征挖掘等领域获得了广泛的运用，且还在不断改进。相比于统计预测法，基于人工智能的预测模型利用历史数据对问题或对象“学习”，不仅能处理非线性问题，而且准确性高、鲁棒性好，适应性强，非常适合进行短期负荷预测。
[0004]虽然基于人工神经网络的深度学习模型在处理非线性学习问题上取得了巨大成功，但当应用于特征丰富的电力负荷预测时，一方面，随着隐含层神经元数量的增加，运算量随之增加。换言之，随着人工神经网络复杂度的增加，会产生巨大的处理时间开销。为了增强预测模型的时效性，必须减少输入特征数量，以降低处理开销，代价是牺牲了预测模型的泛化能力。另一方面，人工神经网络对训练数据中不可见模式进行拟合或学习的能力是选择和使用的主要驱动力，预测模型应容纳尽可能多的输入特征，以提高预测的准确性和鲁棒性。

技术实现思路

[0005]有鉴于此，本专利技术的目的是克服现有技术中的缺陷，提供基于特征工程和多路深度学习的电力负荷预测方法，减少神经网络中隐含层神经元的数量，提高学习效率和预测效果，增强泛化能力强。
[0006]本专利技术的基于特征工程和多路深度学习的电力负荷预测方法，包括如下步骤：
[0007]S1.采集电力负荷数据以及气温数据；
[0008]S2.设置目标特征，并依据目标特征对电力负荷数据以及气温数据进行处理，生成数据集；
[0009]S3.基于目标特征对数据集进行切分，得到N个数据子集；
[0010]S4.将N个数据子集分别作为N个径向基函数网络的输入，对网络进行训练，得到N
个训练后的径向基函数网络；其中，所述N个数据子集与N个径向基函数网络一一对应；
[0011]S5.采集测试数据；所述测试数据包括电力负荷数据以及气温数据；
[0012]S6.从N个已训练的径向基函数网络中选取K个径向基函数网络，并将测试数据分别输入到K个径向基函数网络，输出K个电力负荷预测结果，将K个电力负荷预测结果的求和平均值作为最终的电力负荷预测结果。
[0013]进一步，所述目标特征包括η小时负荷量、ε点时间戳、星期、节假日、气温、φ天负荷平均值以及γ天负荷标准差。
[0014]进一步，步骤S2中，依据目标特征对电力负荷数据以及气温数据进行处理，生成数据集，具体包括：
[0015]S21.若η小时负荷量存在数据缺失，则将缺失数据的前后两点数据的加权平均值作为所述缺失数据；
[0016]S22.对η小时负荷量按照时间先后顺序排列形成负荷量序列E：
[0017][0018]其中，为第m天的第i个时间戳的负荷量；M为采集的总天数；
[0019]S23.对ε点时间戳进行独热编码形成时间戳编码向量序列T：
[0020][0021]其中，为第m天的第i个时间戳的时间戳编码向量，所述
[0022]S24.对星期进行独热编码形成星期编码向量序列B：
[0023][0024]其中，为第n个星期周i的星期编码向量，所述
[0025]S25.对节假日进行独热编码形成节假日编码向量序列U：
[0026]U＝{u1,u2}；
[0027]其中，u1,u2分别为是节假日和非节假日的编码向量，所述u1＝[0,1]T
,u2＝[1,0]T
；
[0028]S26.对气温数据按照时间顺序排列形成气温序列V：
[0029]V＝{v1,v2,
…
,v
m
,
…
}；
[0030]其中，v
m
为第m天的气温数据；
[0031]S27.计算目标天的前φ天负荷量的平均值，形成φ天负荷平均值序列AE：
[0032]AE＝[AE1,AE2,
…
,AE
m
,
…
,AE
M
]；
[0033]其中，AE
m
为第m天的前φ天负荷量的平均值，所述
[0034]S28.计算目标天的前γ天负荷量的标准差，形成γ天负荷标准差序列
△
E：
[0035]△
E＝[
△
E1,
△
E2,
…
,
△
E
m
,
…
,
△
E
M
]；
[0036]其中，
△
E
m
为第m天前γ天负荷量的标准差，所述
[0037]S29.分别对负荷量序列E、φ天负荷平均值序列AE和γ天负荷标准差序列
△
E进行归一化处理，得到如下表达式：
[0038][0039]其中，μ
e
,β
e
分别为负荷量序列E中所有M天数据的均值和方差；μ
AE
,β
AE
分别为φ天负荷平均值序列AE中所有M天数据的均值和方差；μ
△
E
,β
△
E
分别为γ天负荷标准差序列
△
E中所有M天数据的均值和方差；
[0040]S210.生成如下形式的数据集x：
[0041]x＝{x1,x2,
…
,x
m
,
…
,x
M
}；
[0042]其中，x
m
为数据集x的第m个数据向量；所述为数据集x的第m个数据向量；所述为数据向量x
m
的第i个数据项，I为数据向量x
m
的维度。
[0043]进一步，步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征工程和多路深度学习的电力负荷预测方法，其特征在于：包括如下步骤：S1.采集电力负荷数据以及气温数据；S2.设置目标特征，并依据目标特征对电力负荷数据以及气温数据进行处理，生成数据集；S3.基于目标特征对数据集进行切分，得到N个数据子集；S4.将N个数据子集分别作为N个径向基函数网络的输入，对网络进行训练，得到N个训练后的径向基函数网络；其中，所述N个数据子集与N个径向基函数网络一一对应；S5.采集测试数据；所述测试数据包括电力负荷数据以及气温数据；S6.从N个已训练的径向基函数网络中选取K个径向基函数网络，并将测试数据分别输入到K个径向基函数网络，输出K个电力负荷预测结果，将K个电力负荷预测结果的求和平均值作为最终的电力负荷预测结果。2.根据权利要求1所述的基于特征工程和多路深度学习的电力负荷预测方法，其特征在于：所述目标特征包括η小时负荷量、ε点时间戳、星期、节假日、气温、φ天负荷平均值以及γ天负荷标准差。3.根据权利要求2所述的基于特征工程和多路深度学习的电力负荷预测方法，其特征在于：步骤S2中，依据目标特征对电力负荷数据以及气温数据进行处理，生成数据集，具体包括：S21.若η小时负荷量存在数据缺失，则将缺失数据的前后两点数据的加权平均值作为所述缺失数据；S22.对η小时负荷量按照时间先后顺序排列形成负荷量序列E：其中，为第m天的第i个时间戳的负荷量；M为采集的总天数；S23.对ε点时间戳进行独热编码形成时间戳编码向量序列T：其中，为第m天的第i个时间戳的时间戳编码向量，所述S24.对星期进行独热编码形成星期编码向量序列B：其中，为第n个星期周i的星期编码向量，所述S25.对节假日进行独热编码形成节假日编码向量序列U：U＝{u1,u2}；其中，u1,u2分别为是节假日和非节假日的编码向量，所述u1＝[0,1]
T
,u2＝[1,0]
T
；S26.对气温数据按照时间顺序排列形成气温序列V：V＝{v1,v2,
…
,v
m
,
…
}；其中，v
m
为第m天的气温数据；S27.计算目标天的前φ天负荷量的平均值，形成φ天负荷平均值序列AE：
AE＝[AE1,AE2,
…
,AE
m
,
…
,AE
M
]；其中，AE
m
为第m天的前φ天负荷量的平均值，所述S28.计算目标天的前γ天负荷量的标准差，形成γ天负荷标准差序列
△
E：
△
E＝[
△
E1,
△
E2,
…
,
△
E
m
,
…
,
△
E
M
]；其中，
△
E
m
为第m天前γ天负荷量的标准差，所述S29.分别对负荷量序列E、φ天负荷平均值序列AE和γ天负荷标准差序列
△
E进行归一化处理，得到如下表达式：化处理，得到如下表达式：化处理，得到如下表达式：其中，μ
e
,β
e
分别为负荷量序列E中所有M天数据的均值和方差；μ
AE
,β
AE
分别为φ天负荷平均值序列AE中所有M天数据的均值和方差；μ
△
E
,β
△
E
分别为γ天负荷标准差序列
△
E中所有M天数据的均值和方差；S210.生成如下形式的数据集x：x＝{x1,x2,
…
,x
m
,
…
,x
M
}；其中，x
m
为数据集x的第m个数据向量；所述为数据集x的第m个数据向量；所述为数据向量x
m
的第i个数据项，I为数据向量x
m
的维度。4.根据权利要求3所述的基于特征工程和多路深度学习的电力负荷预测方法，其特征在于：步骤S21中，对于数据起点或数据终点的缺失数据，用所述缺失数据最近的数据作为所述缺失数据。5.根据权利要求1所述的基于特征工程和多路深度学习的电力负荷预测方法，其特征在于：所述步骤S3，具体包括：S31.统计目标特征，得到目标特征序列(λ1,λ2,
…

【专利技术属性】
技术研发人员：谢祿江，蒋荣，皮羽茜，吴维农，段立，卓灵，李柯沂，刘玮洁，邓灵莉，何轶，甘嵩，林秋平，赵聆汐，
申请(专利权)人：国网重庆市电力公司信息通信分公司，
类型：发明
国别省市：